尿沉渣显微图像中有形成分的检测算法研究
发布时间：2022-01-24 14:06
尿沉渣检测是医院常规检测项目之一,是指利用显微镜对离心后尿液的沉渣物即有形成分进行检测,为相关病情的判定提供定量的指标,具有十分重要的意义。传统的人工镜检工作量大,操作繁琐并且效率低下,容易漏检和误检。近年来,基于图像处理技术的自动尿沉渣检测成为一个研究热点,但由于尿沉渣显微图像采集过程的不确定性,尿沉渣显微图像的质量往往较低,伴有较多的噪声和粘连,使用图像处理的方法很难得到精确的图像分割结果从而影响后续的特征提取和分类识别过程。为了解决上述问题,本文利用机器学习方法,对尿沉渣显微图像中有形成分的检测算法进行研究。基于本课题数据集,本文主要研究有形成分中红细胞和白细胞的检测,具体的工作如下:1、依托项目,对公司提供的尿沉渣显微图像进行预处理,参照《实用尿液有形成分图鉴》一书和相关专业人员的培训,进行数据集的制作,包括图像的标注,单样本的裁剪和数据增广。2、提出了一种基于聚合通道特征（ACF）的尿沉渣检测算法,将传统的图像分割+特征提取+分类识别任务转变为检测任务。采用聚合通道特征及其变种,结合基于决策树的Adaboost分类器,针对不同的尿沉渣有形成分设计不同的检测器。实验验证了提出算...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
传统人工镜检流程图
东南大学硕士学位论文2算机，通过采集装备采集尿沉渣显微图像传输到计算机，在计算机中通过设计好的检测方法对显微图像进行自动分析从而获得定量的结果[5]，流程如图1.2所示。因此自动尿沉渣检测对相应的检测算法在精确度和速度上有着较高的要求，设计出性能优良的检测算法意义重大。图1.2自动尿沉渣检测流程目前主流的尿沉渣检测算法主要是使用图像处理技术进行的，近几年由于机器学习技术迅猛发展，卷积神经网络[6]等也被尝试应用于尿沉渣检测，并取得了不错的检测效果。国内外已经有多种自动尿沉渣分析仪出现，按照其采用的技术，可分为两类：摄像式分析仪和非摄像式分析仪。摄像式分析仪主要采用图像分析法，非摄像式分析仪主要采用流式分析法和干化学分析法，其中流式分析法是利用流式细胞术原理和电阻抗结合的测量技术[7]，对细胞的电导率等信息进行综合判断从而进行分类统计，干化学分析法是利用有形成分中的有机物和化学试剂产生化学反应，从而产生颜色上的变化这一机制来进行检测。非摄像式分析仪相比于摄像式分析仪，对有形成分识别的种类有限，并且漏检率和误检率高，运营的成本也较高[8]，因此摄像式分析仪成为主流。1988年，第一台高速摄像式尿沉渣自动分析仪“YellowIRIS”诞生于美国，此设备是将标本的粒子影像展示在计算机屏幕上，而后由检验人员进行鉴别。在此之后，1990年，日本与美国进行合作，研发出UA-1000以及UA-2000型尿沉渣自动分析仪，此设备处理能力较低，管型分辨不清，重复性较差，并且价格昂贵，未能得到推动和普及。1996年，德国研制出SEDTRON尿沉渣自动分析仪，此设备使用影像系统结合计算机技术进行分析，取得了不错的检测效果。2003年，美国国际遥控成像系统有限公司研制出来IQ200系列摄像式尿液分析仪，这?
ugh变换[18]常被用于细胞的检测，Cao等人[19]提出使用改进的索贝尔算子来进行图像分割，然后采用霍夫变换来检测红细胞。Mahmood等人[20]认为形态学是图像处理的一个有力工具，并将其用于红细胞的分割和提取，然后采用Hough变换进行红细胞的检测。王可佳[21]提出了一种改进的Hough变换算法用来胸水显微细胞图像的分割，针对于图像中细胞的规则多为圆和椭圆这一特点，将圆作为椭圆的一种特殊情况来处理，使得改进的算法可以同时检测圆和椭圆，具有较高的检测率。1.2.2基于机器学习的方法基于机器学习方法的尿沉渣检测流程如图1.4所示。随着机器学习技术的迅速发展，科研人员开始将此技术应用到医疗领域，支持向量机、决策树、卷积神经网络等越来越多的被用来解决细胞的检测识别问题，并取得了不错地效果。该方法可以有效的解决基于图像处理的方法存在的两个重要问题：一是可以有效的避免由于图像分割效果不理想带来的检测精度差的影响；二是可以有效的提高特征的表达能力，而不是基于图像处理的方法，只能提取周长面积等简单几何特征。本文的主要工作即是围绕着机器学习相关方法展开的。图1.4基于机器学习的尿沉渣检测流程尿沉渣检测方面的研究，机器学习方法的应用还处在起步阶段。Shen等人[22]提出使用SVM结合Adaboost算法进行尿沉渣检测，选择的手工特征为Haar-like特征，首先使用Adaboost算法挑选若干个有分辨力的Haar-like特征，作为最终的要提取的特征，然后将提取出的Haar-like特征送入SVM分类器进行分类，针对于每一类有形成分，都有一个SVM分类器，因此每一类的SVM分类器都通过一对多的形式训练得出，采用级联结构来加快检测速度，实验证明采用Adaboost算法进行特征的选取，特征更为丰富且更具分辨力，最终的分类性能最好。2015年Liu
【参考文献】：
期刊论文
[1]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[2]基于HOG特征和滑动窗口的乳腺病理图像细胞检测[J]. 项磊,徐军. 山东大学学报(工学版). 2015(01)
[3]改进的分水岭图像分割算法[J]. 孙惠杰,邓廷权,李艳超. 哈尔滨工程大学学报. 2014(07)
[4]一种基于改进Canny的边缘检测算法[J]. 许宏科,秦严严,陈会茹. 红外技术. 2014(03)
[5]KNN算法综述[J]. 闭小梅,闭瑞华. 科技创新导报. 2009(14)
[6]尿沉渣分析仪的发展和应用简述[J]. 斯健. 现代医学仪器与应用. 2007(05)
[7]基于集成学习的Adaboost演化决策树算法[J]. 赵敏,陈恩红,宋睿. 计算机应用与软件. 2007(03)
[8]用Prewitt算子细化边缘[J]. 刘明艳,赵景秀,孙宁. 光电子技术. 2006(04)
[9]流形学习概述[J]. 徐蓉,姜峰,姚鸿勋. 智能系统学报. 2006(01)
[10]图像处理中GAMMA校正的研究和实现[J]. 彭国福,林正浩. 电子工程师. 2006(02)
硕士论文
[1]尿沉渣图像分割与识别算法研究[D]. 刘睿.重庆大学 2016
[2]面向静态图片行人检测的局部特征学习方法应用研究[D]. 年雪洁.东南大学 2016
[3]尿沉渣显微图像有形成分分割与特征提取方法研究[D]. 于林杰.重庆大学 2016
[4]尿沉渣显微图像的自动检测与识别方案研究[D]. 陈聪.华中科技大学 2014
[5]尿沉渣图像中红白细胞的分割与识别[D]. 赵少华.西安科技大学 2013
[6]Hough变换在显微细胞图像分割中的应用[D]. 王可佳.内蒙古师范大学 2007
本文编号：3606711
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
传统人工镜检流程图
东南大学硕士学位论文2算机，通过采集装备采集尿沉渣显微图像传输到计算机，在计算机中通过设计好的检测方法对显微图像进行自动分析从而获得定量的结果[5]，流程如图1.2所示。因此自动尿沉渣检测对相应的检测算法在精确度和速度上有着较高的要求，设计出性能优良的检测算法意义重大。图1.2自动尿沉渣检测流程目前主流的尿沉渣检测算法主要是使用图像处理技术进行的，近几年由于机器学习技术迅猛发展，卷积神经网络[6]等也被尝试应用于尿沉渣检测，并取得了不错的检测效果。国内外已经有多种自动尿沉渣分析仪出现，按照其采用的技术，可分为两类：摄像式分析仪和非摄像式分析仪。摄像式分析仪主要采用图像分析法，非摄像式分析仪主要采用流式分析法和干化学分析法，其中流式分析法是利用流式细胞术原理和电阻抗结合的测量技术[7]，对细胞的电导率等信息进行综合判断从而进行分类统计，干化学分析法是利用有形成分中的有机物和化学试剂产生化学反应，从而产生颜色上的变化这一机制来进行检测。非摄像式分析仪相比于摄像式分析仪，对有形成分识别的种类有限，并且漏检率和误检率高，运营的成本也较高[8]，因此摄像式分析仪成为主流。1988年，第一台高速摄像式尿沉渣自动分析仪“YellowIRIS”诞生于美国，此设备是将标本的粒子影像展示在计算机屏幕上，而后由检验人员进行鉴别。在此之后，1990年，日本与美国进行合作，研发出UA-1000以及UA-2000型尿沉渣自动分析仪，此设备处理能力较低，管型分辨不清，重复性较差，并且价格昂贵，未能得到推动和普及。1996年，德国研制出SEDTRON尿沉渣自动分析仪，此设备使用影像系统结合计算机技术进行分析，取得了不错的检测效果。2003年，美国国际遥控成像系统有限公司研制出来IQ200系列摄像式尿液分析仪，这?
ugh变换[18]常被用于细胞的检测，Cao等人[19]提出使用改进的索贝尔算子来进行图像分割，然后采用霍夫变换来检测红细胞。Mahmood等人[20]认为形态学是图像处理的一个有力工具，并将其用于红细胞的分割和提取，然后采用Hough变换进行红细胞的检测。王可佳[21]提出了一种改进的Hough变换算法用来胸水显微细胞图像的分割，针对于图像中细胞的规则多为圆和椭圆这一特点，将圆作为椭圆的一种特殊情况来处理，使得改进的算法可以同时检测圆和椭圆，具有较高的检测率。1.2.2基于机器学习的方法基于机器学习方法的尿沉渣检测流程如图1.4所示。随着机器学习技术的迅速发展，科研人员开始将此技术应用到医疗领域，支持向量机、决策树、卷积神经网络等越来越多的被用来解决细胞的检测识别问题，并取得了不错地效果。该方法可以有效的解决基于图像处理的方法存在的两个重要问题：一是可以有效的避免由于图像分割效果不理想带来的检测精度差的影响；二是可以有效的提高特征的表达能力，而不是基于图像处理的方法，只能提取周长面积等简单几何特征。本文的主要工作即是围绕着机器学习相关方法展开的。图1.4基于机器学习的尿沉渣检测流程尿沉渣检测方面的研究，机器学习方法的应用还处在起步阶段。Shen等人[22]提出使用SVM结合Adaboost算法进行尿沉渣检测，选择的手工特征为Haar-like特征，首先使用Adaboost算法挑选若干个有分辨力的Haar-like特征，作为最终的要提取的特征，然后将提取出的Haar-like特征送入SVM分类器进行分类，针对于每一类有形成分，都有一个SVM分类器，因此每一类的SVM分类器都通过一对多的形式训练得出，采用级联结构来加快检测速度，实验证明采用Adaboost算法进行特征的选取，特征更为丰富且更具分辨力，最终的分类性能最好。2015年Liu
【参考文献】：
期刊论文
[1]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[2]基于HOG特征和滑动窗口的乳腺病理图像细胞检测[J]. 项磊,徐军. 山东大学学报(工学版). 2015(01)
[3]改进的分水岭图像分割算法[J]. 孙惠杰,邓廷权,李艳超. 哈尔滨工程大学学报. 2014(07)
[4]一种基于改进Canny的边缘检测算法[J]. 许宏科,秦严严,陈会茹. 红外技术. 2014(03)
[5]KNN算法综述[J]. 闭小梅,闭瑞华. 科技创新导报. 2009(14)
[6]尿沉渣分析仪的发展和应用简述[J]. 斯健. 现代医学仪器与应用. 2007(05)
[7]基于集成学习的Adaboost演化决策树算法[J]. 赵敏,陈恩红,宋睿. 计算机应用与软件. 2007(03)
[8]用Prewitt算子细化边缘[J]. 刘明艳,赵景秀,孙宁. 光电子技术. 2006(04)
[9]流形学习概述[J]. 徐蓉,姜峰,姚鸿勋. 智能系统学报. 2006(01)
[10]图像处理中GAMMA校正的研究和实现[J]. 彭国福,林正浩. 电子工程师. 2006(02)
硕士论文
[1]尿沉渣图像分割与识别算法研究[D]. 刘睿.重庆大学 2016
[2]面向静态图片行人检测的局部特征学习方法应用研究[D]. 年雪洁.东南大学 2016
[3]尿沉渣显微图像有形成分分割与特征提取方法研究[D]. 于林杰.重庆大学 2016
[4]尿沉渣显微图像的自动检测与识别方案研究[D]. 陈聪.华中科技大学 2014
[5]尿沉渣图像中红白细胞的分割与识别[D]. 赵少华.西安科技大学 2013
[6]Hough变换在显微细胞图像分割中的应用[D]. 王可佳.内蒙古师范大学 2007
本文编号：3606711
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3606711.html
最近更新
教材专著
